AssemblyAI-TTS-1 dengan $15 per Sejuta Karakter: Batas Bawah Harga Agen Suara Kini Telah Bergeser

AssemblyAI-TTS-1 mulai tersedia secara umum pada 27 Oktober 2026 dengan harga $15 per juta karakter masukan, dan angka yang penting bukanlah angka di judul — melainkan angka yang didapat setelah membagi. Pada kecepatan bicara normal sekitar 15 karakter per detik, satu juta karakter adalah sekitar 18 jam audio jadi, yang menempatkan model ini mendekati 81 sen per jam ucapan. Cartesia Sonic 3.6, pemimpin kecepatan yang ada saat ini, menagih $49 per juta karakter, atau sekitar $2.70 per jam. ElevenLabs v4 menagih $80, atau sekitar $4.40 per jam. Ini adalah model text-to-speech mandiri pertama AssemblyAI — perusahaan tersebut adalah vendor speech-to-text hingga minggu ini — dan model ini telah masuk ke pasar di mana pemimpinnya menagih tiga hingga lima kali lebih mahal untuk unit pekerjaan yang sama.

Klaim ini memerlukan catatan pembatas segera, karena ada tiga pihak berbeda yang memasok tiga jenis angka yang berbeda di sini. {{1}}Harga{{/1}} adalah kartu tarif yang diterbitkan AssemblyAI sendiri dan dapat diperiksa di halaman harga mereka. {{2}}Angka latensi{{/2}} berasal dari uji laboratorium yang dijalankan AssemblyAI terhadap lima penyedia pesaing, dengan 30 prompt, tiga putaran, empat suara bawaan per model, satu permintaan dalam satu waktu. {{3}}Posisi di papan peringkat{{/3}} berasal dari Artificial Analysis, yang diukur secara independen. Jika artikel ini mengutip evaluasi kualitas milik AssemblyAI sendiri — akurasi entitas, MOS yang diprediksi, prosodi, kemiripan klon — itu dilaporkan vendor dan belum ada pihak di luar AssemblyAI yang mereproduksinya. Satu-satunya pengukuran latensi yang benar-benar independen yang tersedia sejauh ini mengarah pada hasil yang kurang menyanjung dibandingkan pemasaran, dan sebaiknya itu dijadikan pembuka.

Lembar spesifikasi dalam satu layar

• Harga — $15 per juta karakter input, ditagih berdasarkan teks termasuk spasi dan tanda baca, semua suara pustaka dan semua bahasa disertakan, tanpa biaya per suara atau konkurensi

• Suara — lebih dari 4.000 di pustaka, ditambah pengkloningan instan dari sampel referensi singkat (demo menggunakan audio 24 detik)

• Bahasa — Inggris, Spanyol, Prancis, Jerman, Italia, Portugis saat peluncuran, berbagai aksen, tidak ada tanggal yang diberikan untuk gelombang berikutnya

• Latensi — 90 ms waktu hingga audio pertama yang disebutkan untuk produksi, yang oleh perusahaan dianggap konservatif; 47 ms median waktu hingga byte pertama dalam perbandingan lab internalnya

• Throughput — 162 karakter per detik pada Artificial Analysis, lebih unggul dari Cartesia Sonic 3.6 pada 148,6

• Antarmuka — HTTP, WebSocket dengan pesan pembatalan untuk barge-in, dan rute yang kompatibel dengan OpenAI; agen referensi LiveKit dan Pipecat disertakan bersamanya

• Keluaran — PCM, mu-law, dan A-law pada 8 hingga 48 kHz, 24 kHz native, stempel waktu tingkat kata disertakan bersama audio

• Residensi dan batas — pemrosesan di AS atau UE dengan harga yang sama, konkurensi tanpa batas pada pay-as-you-go, tanpa kontrak tahunan atau pembelian tier

• Belum — tidak ada SSML, tidak ada parameter kecepatan, tidak ada kamus pelafalan, tidak ada tag emosi, tidak ada kloning "pro" yang disempurnakan

Dua dari baris itu melakukan lebih banyak tugas komersial dibandingkan sisanya. Konkurensi tanpa batas dengan harga daftar menghilangkan negosiasi yang biasanya dihadapkan sebagian besar vendor TTS kepada agen suara bervolume tinggi, di mana tingkatan konkurensi per menit dapat melampaui tarif per karakter. Dan penagihan yang menghitung spasi dan tanda baca memang jujur tetapi tidak gratis: naskah 1.000 kata mencakup sekitar 6.000 karakter setelah spasi dan koma dihitung, sehingga harga efektif per kata yang diucapkan lebih tinggi daripada yang disiratkan perbandingan naif dengan harga per kata. AssemblyAI tidak menyembunyikan hal itu — halaman harga mengatakannya secara terang-terangan — tetapi ini adalah jenis detail yang mengubah selisih angka utama 3x menjadi 2,7x pada naskah nyata.

Mengapa angka 47 ms begitu penting

Postingan peluncuran itu mengedepankan kecepatan, dan pengujian di baliknya lebih informatif daripada sebagian besar perbandingan vendor karena menyebutkan para pesaing dan metodenya. Waktu median hingga byte pertama, klien tunggal, permintaan berurutan: AssemblyAI-TTS-1 pada 47 ms, ElevenLabs Flash v2.5 pada 119 ms, Cartesia Sonic 3.6 pada 143 ms, Inworld TTS-2 Flash pada 244 ms, Inworld TTS-2 pada 280 ms, ElevenLabs v4 pada 612 ms. Jika Anda menerima pengaturan itu, AssemblyAI bukan sekadar cepat — ia sekitar tiga kali lebih cepat mencapai byte pertama daripada Cartesia Sonic 3.6, model yang dibandingkan dalam hal harga, dan dua setengah kali lebih cepat daripada ElevenLabs Flash v2.5.

Apa yang tidak dapat diberitahukan oleh penyiapan ini adalah apa yang terjadi di bawah beban. Satu klien yang mengirimkan satu permintaan pada satu waktu mengukur model, bukan layanan: tidak ada antrean, tidak ada kontensi konkurensi, tidak ada jalur cold-start, tidak ada hop jaringan antarwilayah. Angka produksi 90 ms adalah upaya perusahaan sendiri untuk memperhitungkan hal itu, dan selisih antara 47 dan 90 ms kira-kira sebesar penalti dunia nyata yang tidak dapat dilihat oleh uji lab. Siapa pun yang pernah menjalankan agen suara dalam volume besar akan mengenali ini sebagai bentuk standar pemasaran latensi TTS: angka lab yang bersih untuk slide benchmark, angka produksi yang lebih lunak untuk percakapan harga, dan angka ketiga yang hanya muncul setelah Anda berada di jaringan publik di wilayah yang jauh dari endpoint.

Angka ketiga itu sekarang benar-benar ada, dan lebih buruk. Cekura, lembaga evaluasi agen suara independen, mengukur latensi streaming median 159 ms untuk AssemblyAI-TTS-1 di seluruh set pengujiannya yang berisi kalimat bergaya agen — menempatkannya di posisi kedelapan dari sembilan belas sistem, bukan pertama. Cekura juga mencatat akurasi pembacaan 81,5%, praktis setara dengan ElevenLabs v4 pada 80,4%, sekaligus menempatkan AssemblyAI di peringkat pertama untuk nomor telepon dan kode dengan 91,7% dan keempat untuk kealamian dengan 4,50. Baca kedua sumber secara bersamaan dan gambaran yang koheren akan terbentuk: AssemblyAI-TTS-1 memang cepat mulai berbicara, luar biasa baik untuk token yang sulit diucapkan, dan bukan yang tercepat di antara semuanya begitu jalur streaming nyata terlibat.

Dua arena Artificial Analysis, dua cerita yang berbeda

Artificial Analysis menjalankan dua papan TTS dan keduanya mengukur hal yang berbeda. Di arena Provider Voice, setiap model berbicara dengan suara aslinya sendiri; di arena Controlled Voice, setiap model dipaksa memakai delapan suara hasil kloning yang sama. Perbedaan inilah yang paling berguna dalam peluncuran ini, karena AssemblyAI-TTS-1 mendapat skor lebih baik di papan terkontrol dibandingkan dengan katalognya sendiri.

• Provider Voice — 1.227 Elo, peringkat 12 saat debut, 1.626 penampilan dinilai. Dua hari kemudian papan langsung menampilkan 1.227 di peringkat 14: skor sama, peringkat lebih rendah, karena dua model masuk di atasnya. Elo adalah angka yang stabil; peringkat adalah target yang terus bergerak.

• Controlled Voice — 1.110 Elo, ke-10 saat debut, 1.674 penampilan. Papan langsung kini menunjukkan 1.108 di posisi ke-10.

• Ketahanan pengucapan — 81,7% pada 2.115 klip yang dinilai, peringkat ke-16 di papan tersebut.

• Kecepatan generasi — 162 karakter per detik.

Model yang peringkatnya lebih tinggi di antara suara hasil kloning daripada di perpustakaan 4.000 suaranya sendiri memberi tahu Anda sesuatu yang spesifik: akustiknya kompetitif, dan desain suaranya belum menjadi pembeda. Breeze TTS 2, pemimpin open-weights, menunjukkan pola yang persis berlawanan — kuat pada suara penyedia, lemah pada suara yang dikendalikan — dan perbandingan itulah yang membuat ini menarik. AssemblyAI telah membangun katalog yang luas, murah, dan kompeten; namun belum membangun suara yang menang dalam uji mendengarkan secara buta berdasarkan keunggulannya sendiri.

Pergeseran peringkat ini patut dicatat karena alasan praktis. Setiap agregator yang meliput peluncuran ini mengutip "top 12 in Provider Voice" dari postingan pengumuman Artificial Analysis, dan pada saat Anda membaca ini skor yang sama mungkin berada di peringkat ke-15 atau ke-16. Itu bukan berarti AssemblyAI kehilangan kualitas. Ini adalah papan peringkat yang beberapa poin Elo mencakup lima posisi, dan entri baru muncul hampir setiap minggu. Nilailah Elo-nya, catat tanggal Anda membacanya, dan jangan menganggap penurunan dua peringkat sebagai regresi.

Di mana evaluasi vendor terlihat kuat, dan di mana tidak.

AssemblyAI menerbitkan kumpulan angka yang lebih lengkap dibandingkan sebagian besar peluncuran TTS, semuanya merupakan hasil kerja mereka sendiri, semuanya diuji pada 50 suara kloning bersama dengan audio yang dihasilkan yang ditranskripsikan kembali melalui pengenal Universal-3.5 Pro miliknya. Metodologinya masuk akal — mentranskripsikan ulang audio melalui model ASR adalah proksi yang wajar untuk keterpahaman — dan ini tetap merupakan pengujian yang dirancang dan dinilai oleh vendor.

• Akurasi entitas pada target sulit (nomor telepon, URL, kode konfirmasi, nama obat) — 93,7% untuk AssemblyAI-TTS-1, 93,6% untuk ElevenLabs v4, 82,5% untuk Cartesia Sonic 3.6, 68,0% untuk ElevenLabs Flash v2.5. Keunggulan sepersepuluh poin atas ElevenLabs v4 hanyalah hasil seri yang berbalut kemenangan; selisih 11 poin atas Sonic 3.6 adalah temuan yang sebenarnya.

• Akurasi kata — 99,0%, yang cukup dekat dengan batas atas sehingga tidak lagi membedakan antara model-model yang baik.

MOS yang diprediksi — 3,85, dan di sini AssemblyAI kalah: Inworld TTS-2 Flash mendapat skor 3,88 pada skala yang sama, dengan Cartesia Sonic 3.6 di angka 3,82 dan kedua model ElevenLabs berada di bawah mereka. Tabel milik vendor sendiri tidak menempatkannya di posisi pertama.

• Prosodi TTSDS — 85,5, angka tanpa baseline lintas vendor dalam postingan tersebut.

• Kemiripan speaker hasil kloning — 0,64, yang tergolong rendah untuk kloning instan dan konsisten dengan penempatan arena terkontrol, bukan dengan penempatan dari penyedia.

Ringkasan jujur dari tabel itu lebih sempit daripada naskah peluncuran: AssemblyAI-TTS-1 sangat baik dalam menangani string yang sulit dengan benar, kompetitif dalam hal keterpahaman, berada di kelas menengah untuk kewajaran, dan paling lemah dalam identitas suara saat Anda melakukan kloning. Bagi agen suara yang membacakan nomor rekening dan kode pos, baris pertama itulah yang menguntungkan. Untuk audiobook naratif atau suara karakter, dua baris terakhirlah yang penting, dan model ini bukan pilihan.

Apa yang belum bisa dilakukannya, dan apa dampaknya bagi Anda

Celah fitur itu biasa untuk rilis perdana dan luar biasa berdampak untuk kategori ini. Tidak ada SSML, jadi tidak ada cara andal untuk memaksakan jeda, penekanan, atau pengucapan tanpa menulis ulang teks. Tidak ada parameter kecepatan, yang berarti tempo harus ditangani di hulu dengan menghasilkan lebih banyak atau lebih sedikit kata. Tidak ada kamus pengucapan kustom, meskipun akurasi entitas menjadi kekuatan utama — saat model salah mengucapkan nama merek, Anda tidak bisa memberinya leksikon, Anda hanya bisa menulis ulang ejaan teks dan berharap. Tag emosi dan kloning pro yang disetel halus keduanya "segera hadir" dalam kata-kata vendor sendiri, dan judul "native emotion" di halaman peluncuran terasa janggal di samping FAQ yang menyatakan kontrol emosi khusus tidak tersedia.

Cakupan bahasa adalah batas yang lebih tajam. Enam bahasa saat peluncuran dibandingkan dengan 44 untuk Cartesia Sonic 3.6 dan klaim 50 untuk Breeze TTS 2 — dengan catatan bahwa kartu model Breeze sendiri hanya menandai bahasa Inggris dan Mandarin. Jika agen Anda perlu menjawab penelepon berbahasa Jerman dan penelepon berbahasa Portugis dalam minggu yang sama, AssemblyAI mendukung keduanya. Jika agen tersebut perlu bahasa Polandia, Jepang, atau Arab, ia tidak mendukungnya, dan belum ada tanggal yang diberikan.

Bagaimana sebenarnya Anda mendapatkannya.

AssemblyAI-TTS-1 disediakan melalui API milik vendor sendiri — HTTP, WebSocket, dan endpoint yang kompatibel dengan OpenAI — dengan host AS dan UE pada harga yang sama, ditambah kredit pendaftaran $50 dan titik awal yang tercantum hanya pay-as-you-go. Selain itu, layanan ini tersedia melalui beberapa platform pihak ketiga. Saat ini layanan ini tidak ada dalam katalog OrcaRouter, dan kami tidak akan berpura-pura bahwa layanan ini ada; jika Anda menginginkannya minggu ini, API vendor adalah jalur langsungnya.

Bagian dari peluncuran ini yang benar-benar menjadi perhatian kami adalah bentuk keputusan yang dihasilkannya. Agen suara adalah pipeline tiga model — pengenalan ucapan, model bahasa, sintesis ucapan — dan bagian TTS kini menjadi bagian dengan sebaran harga paling lebar dan pendatang terbaru paling banyak. Itulah bagian yang tepat untuk memasang opsi kedua sebelum Anda berkomitmen, karena model yang benar-benar baru dengan uji latensi dari satu klien dan tanpa pengujian beban independen adalah definisi komponen yang seharusnya berada di balik fallback. Merutekan lebih dari 200 model melalui satu API dengan markup 0% adalah yang kami lakukan, dengan harga daftar vendor diteruskan apa adanya sehingga pemotongan harga langsung berlaku pada hari yang sama dan failover otomatis sehingga hari buruk di salah satu penyedia tidak membuat agen tumbang. Model TTS yang kami rutekan saat ini adalah OpenAI's tts-1, tts-1-hd dan gpt-4o-mini-tts bersama Gemini 3.1 Flash TTS Preview milik Google — bagian kedua yang layak dipakai sementara AssemblyAI-TTS-1 membuktikan dirinya di bawah lalu lintas Anda, bukan di bawah lalu lintasnya sendiri.

Apa yang akan mengubah putusan?

Tiga hal, sesuai urutan besarnya pengaruh terhadap keputusan. Pertama, pengujian latensi independen dalam kondisi konkurensi nyata: angka streaming Cekura sebesar 159 ms adalah satu-satunya pengukuran eksternal sejauh ini, dan itu hanya satu angka dari satu laboratorium. Laboratorium kedua yang mereproduksi—atau gagal mereproduksi—keunggulan 47 ms pada byte pertama akan menentukan apakah klaim kecepatan itu bertahan saat berhadapan dengan antrean. Kedua, kamus pengucapan. Akurasi entitas adalah argumen terkuat model, dan sekaligus kemampuan yang paling mungkin terganggu di produksi oleh nama produk yang belum pernah dilihat model. Merilis kamus mengubah kemenangan benchmark menjadi kemenangan operasional. Ketiga, apakah keenam bahasa berkembang mengikuti jadwal yang sama dengan bagian lain dari peta jalan, karena keunggulan harga hanya akan terus berlipat jika cakupannya menyusul.

Sampai hal-hal itu tersedia, pembacaan yang tepat atas peluncuran ini sempit dan berguna: AssemblyAI-TTS-1 adalah TTS API kredibel paling murah di pasar dari vendor yang memiliki satu dekade infrastruktur ucapan di belakangnya, ia cepat di lab dan cukup cepat dalam satu-satunya uji luar yang ada, ia membaca string sulit lebih baik daripada apa pun yang dibandingkan dengannya, dan ia berada di kelompok menengah dalam hal kealamian serta lemah dalam identitas hasil kloning. Itu merupakan pembelian yang kuat bagi agen bervolume tinggi dalam enam bahasa, dan terlalu dini untuk apa pun yang membutuhkan suara yang khas.